Sistem Identifikasi Kerusakan Bearing Berbasis Frekuensi Karakteristik dan Klasifikasi Kondisi Gearset Pada Roll Konveyor Robo Arm Palletizer
Keywords:
bearing, gearset, konveyor, K-Nearest Neighbors, KlasifikasiAbstract
Bearing pada sistem konveyor memiliki peran penting dalam menjaga kelancaran operasional, terutama pada Robo Palletizer Fuji yang digunakan di perusahaan produsen pupuk. Penelitian ini bertujuan untuk merancang dan mengembangkan sistem klasifikasi kerusakan bearing dan gearset menggunakan metode K-Nearest Neighbors (KNN). Parameter utama yang digunakan meliputi data getaran dan kecepatan rotasi (RPM). Sistem ini diimplementasikan dalam lingkungan industri dan dirancang untuk mengidentifikasi kondisi kerusakan komponen secara otomatis berdasarkan data real-time dari sensor. Klasifikasi kerusakan gearset dilakukan dengan metode KNN menggunakan parameter RPM motor dan RPM roll. Sementara itu, deteksi kerusakan bearing dilakukan dengan pendekatan berbasis rumus frekuensi karakteristik (BPFO, BPFI, BSF, dan FTF) yang dihitung dari data getaran. Sistem diuji menggunakan sekitar 6.500 data yang diperoleh selama kegiatan penelitian di perusahaan produsen pupuk dan dievaluasi berdasarkan akurasi klasifikasinya. Penelitian ini diharapkan dapat membantu proses identifikasi kerusakan komponen secara lebih cepat dan tepat serta mendukung penerapan teknologi Industri 4.0 di sektor manufaktur.
References
C. Puerto-Santana, C. Ocampo-Martinez, and J. Diaz-Rozo, “A novel model-based Cauchy-Schwarz divergence condition indicator for gears monitoring during fluctuating speed conditions,” J. Sound Vib., vol. 592, p. 118610, Dec. 2024, doi: 10.1016/j.jsv.2024.118610.
P. Gao, Q. Yan, H. Liu, C. Xiang, and K. Chen, “Research on fault characteristics and signal transfer path mechanism of the gear transmission system,” Mech. Syst. Signal Process., vol. 228, p. 112471, Apr. 2025, doi: 10.1016/j.ymssp.2025.112471.
W. M. Needelman and E. V. Zaretsky, “Recalibrated Equations for Determining Effect of Oil Filtration on Rolling Bearing Life,” Tribol. Trans., vol. 58, no. 5, pp. 786–800, Sep. 2015, doi: 10.1080/10402004.2015.1005857.
Ma. Del Rosario Bautista-Morales and L. D. Patiño-López, “Acoustic detection of bearing faults through fractional harmonics lock-in amplification,” Mech. Syst. Signal Process., vol. 185, p. 109740, Feb. 2023, doi: 10.1016/j.ymssp.2022.109740.
L. Magadán, C. Ruiz-Cárcel, J. C. Granda, F. J. Suárez, and A. Starr, “Explainable and interpretable bearing fault classification and diagnosis under limited data,” Adv. Eng. Inform., vol. 62, p. 102909, Oct. 2024, doi: 10.1016/j.aei.2024.102909.
Q. Zhang et al., “Fault Impulse Inference and Cyclostationary Approximation: A feature-interpretable intelligent fault detection method for few-shot unsupervised domain adaptation,” Reliab. Eng. Syst. Saf., vol. 253, p. 110568, Jan. 2025, doi: 10.1016/j.ress.2024.110568.
Q. Zhang et al., “Inference and Quantification of Cyclostationary Impulses: A novel noise-sensitive mixed Gaussian cyclostationary model for compound fault detection,” Mech. Syst. Signal Process., vol. 229, p. 112501, Apr. 2025, doi: 10.1016/j.ymssp.2025.112501.
F. Yu, J. Liu, and D. Liu, “An approach for fault diagnosis based on an improved k-nearest neighbor algorithm,” in 2016 35th Chinese Control Conference (CCC), Chengdu: IEEE, Jul. 2016, pp. 6521–6525. doi: 10.1109/ChiCC.2016.7554383.
